买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜哈尔滨师范大学申请的专利基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119169468B 。

龙图腾网通过国家知识产权局官网在2025-04-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411326156.9，技术领域涉及：G06V20/10；该发明授权基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法是由邓世文;张鹏飞;王雷;宋福;阚超设计研发完成，并于2024-09-23向国家知识产权局提交的专利申请。

本基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法在说明书摘要公布了：本发明公开了一种基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法，所述方法提出了一种多网络混合架构，在此框架中，图网络利用高光谱图像中长程依赖关系来学习图像中的谱‑空特征表示。为避免传统的深度图网络的过渡平滑问题，本发明基于图像信号处理理论方法，给出了增强的图网络模型。为充分利用图像中的谱域信息、空域信息及其两者的互补信息，设计了三个图网络分枝来提取有用信息。同时，本发明还利用基于大模型的SAM分段模型对高光谱图像进行分段以得到超像素，从而极大降低计算量大的问题。另一方面，本发明采用1D卷积和2D卷积混合的卷积网络，以提取图像中局部依赖信息，从而减轻了计算量和参数过度拟合问题。

本发明授权基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法在权利要求书中公布了：1.一种基于图卷积网与卷积网融合的小样本非平衡的高光谱图像分类方法，其特征在于所述方法包括如下步骤：步骤1：设计CNN降噪器采用2层的1×1卷积层模块作为CNN降噪器，以表示第l层的输入，CNN降噪器的卷积层模型表示为： 其中：f1×1为1×1卷积核，BN·为数据标准化运算，bl为偏移量，ReLU·为非线性激活函数，“*”表示卷积运算；步骤2：设计超像素表示的谱-空特征学习方法步骤2.1：获得SAM超像素表示；步骤2.2：超像素表示的空域特征提取给定高光谱图像的超像素的第l层空域特征表示其空域图卷积输出为： 其中：As为超像素特征的空域邻接矩阵，为第l层的谱域特征变换矩阵；步骤2.3：超像素表示的谱域特征提取给定高光谱图像的超像素的第l层谱域特征表示其谱域图卷积输出为： 其中：Af为超像素特征的谱域邻接矩阵，为第l层的谱域特征变换矩阵；步骤2.4：超像素表示的空-谱域特征提取给定高光谱图像的超像素的第l层空-谱域特征表示其空-谱域图卷积输出为： 其中：Ac为超像素特征的空-谱域邻接矩阵，为第l层的空-谱域特征变换矩阵；步骤3：像素表示的谱-空特征提取使用1D卷积核与2D卷积核提取高光谱图像中的像素级空-谱特征表示，以表示第l层的高光谱图像，其谱-空特征表示的输出表示为： 其中：f1×1为1D卷积核，f2D表示2D卷积核；步骤4：超像素级表示与像素级特征表示融合令Xp为步骤3输出的像素级特征的矩阵形式的表示，令Ss、Sf和Sc分别为使用步骤2中超像素表示的谱-空特征学习方法得到的超像素级输出表示，利用超像素指示矩阵H将其解码表示为像素级特征：Xs＝HSs，Xf＝HSf，Xc＝HSc，那么，像素级与超像素级特征的融合表示写作：Z＝MLPXs‖Xf‖Xc‖Xp其中：MLP.为标准的多层感知网，"||"表示矩阵按列方向的数据拼接运算；步骤5：高光谱像素分类将超像素级表示与像素级的融合特征表示Z，使用softmax.函数产生相应的类别预测结果为：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨师范大学，其通讯地址为：150025 黑龙江省哈尔滨市利民经济开发区师大路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。